GRASP com path-relinking para agrupamento de dados biológicos

Detalhes bibliográficos
Ano de defesa: 2011
Autor(a) principal: Rafael de Magalhaes Dias Frinhani
Orientador(a): Ricardo Martins de Abreu Silva
Banca de defesa: Maurício Guilherme de Carvalho Resende, Thiago Ferreira de Noronha
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Federal de Minas Gerais
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Link de acesso: http://hdl.handle.net/1843/SLSS-8GQJ46
Resumo: O agrupamento é um método não supervisionado de classificação de dados em grupos (clusters). Em problemas de agrupamento, não se sabe previamente quantas e quais as classes necessárias para descrever coerentemente um conjunto de dados. Na biologia computacional, o agrupamento mostrou-se ferramenta útil em problemas de descoberta de padrões em dados como classificação de proteínas, predição da localização de proteínas em unidades celulares e diagnóstico de câncer. Recentemente, técnicas de otimização, como as metaheurísticas, têm sido utilizadas na literatura como método alternativo ou auxiliar para aumentar a eficiência e eficácia das ferramentas clássicas de agrupamento, geralmente baseadas em métodos estatísticos e matemáticos. O objetivo deste trabalho é propor algoritmos híbridos fundamentados nas metaheurísticas Greedy Randomized Adaptative Search Procedure (GRASP) e Path-Relinking para o problema de agrupamento de dados biológicos, com intuito de obter melhores soluções quando considerado unicamente o GRASP na sua forma padrão. Portanto, neste trabalho, considera-se a hipótese que o Path-Relinking como estratégia de intensificação do GRASP, melhora o desempenho e qualidade das soluções. Considera-se a hibridização do GRASP proposto por Nascimento et al. [2010b], com quatro variações do Path-Relinking: Forward, Backward, Mixed, e Greedy Randomized Adaptative. A validação das soluções obtidas dá-se por meio da comparação com os algoritmos clássicos k-means, k-medians, PAM (Partitioning Around Medoids) bem como o GRASP proposto por Nascimento et al. [2010b]. Os experimentos foram realizados com dados reais de 10 instâncias biológicas, e os resultados mostraram que o modelo híbrido melhorou a tarefa de agrupamento. Obteve-se maior exploração do espaço de busca, maior coesão de agrupamentos, aumento da robustez e redução do tempo computacional. As variantes Greedy Randomized Adaptative e Mixed apresentaram os melhores resultados.
id UFMG_82ab64432b52b0a488635e62c549a0d7
oai_identifier_str oai:repositorio.ufmg.br:1843/SLSS-8GQJ46
network_acronym_str UFMG
network_name_str Repositório Institucional da UFMG
repository_id_str
spelling Ricardo Martins de Abreu SilvaGeraldo Robson MateusMaurício Guilherme de Carvalho ResendeThiago Ferreira de NoronhaRafael de Magalhaes Dias Frinhani2019-08-11T08:51:37Z2019-08-11T08:51:37Z2011-03-02http://hdl.handle.net/1843/SLSS-8GQJ46O agrupamento é um método não supervisionado de classificação de dados em grupos (clusters). Em problemas de agrupamento, não se sabe previamente quantas e quais as classes necessárias para descrever coerentemente um conjunto de dados. Na biologia computacional, o agrupamento mostrou-se ferramenta útil em problemas de descoberta de padrões em dados como classificação de proteínas, predição da localização de proteínas em unidades celulares e diagnóstico de câncer. Recentemente, técnicas de otimização, como as metaheurísticas, têm sido utilizadas na literatura como método alternativo ou auxiliar para aumentar a eficiência e eficácia das ferramentas clássicas de agrupamento, geralmente baseadas em métodos estatísticos e matemáticos. O objetivo deste trabalho é propor algoritmos híbridos fundamentados nas metaheurísticas Greedy Randomized Adaptative Search Procedure (GRASP) e Path-Relinking para o problema de agrupamento de dados biológicos, com intuito de obter melhores soluções quando considerado unicamente o GRASP na sua forma padrão. Portanto, neste trabalho, considera-se a hipótese que o Path-Relinking como estratégia de intensificação do GRASP, melhora o desempenho e qualidade das soluções. Considera-se a hibridização do GRASP proposto por Nascimento et al. [2010b], com quatro variações do Path-Relinking: Forward, Backward, Mixed, e Greedy Randomized Adaptative. A validação das soluções obtidas dá-se por meio da comparação com os algoritmos clássicos k-means, k-medians, PAM (Partitioning Around Medoids) bem como o GRASP proposto por Nascimento et al. [2010b]. Os experimentos foram realizados com dados reais de 10 instâncias biológicas, e os resultados mostraram que o modelo híbrido melhorou a tarefa de agrupamento. Obteve-se maior exploração do espaço de busca, maior coesão de agrupamentos, aumento da robustez e redução do tempo computacional. As variantes Greedy Randomized Adaptative e Mixed apresentaram os melhores resultados.Clustering is an unsupervised method of classifying data into clusters. In clustering problems, it is not previously known how many and which classes are needed to describe coherently a set of data.In computational biology, data clustering proved to be useful in problems of patterns discovery in data such as protein classification, prediction of protein localization in cell units and cancer diagnosis.Recently, optimization techniques like metaheuristics, have been used frequently in the literature as an alternative or adjunct to increase the efficiency and effectiveness of the classic tools of clustering, usually based on statistical and mathematical methods. In this study we proposed hybrid algorithms based on metaheuristics GRASP and Path-Relinking for the clustering problem of biological data, aiming to obtain better solutions when compared to using only the GRASP in its standard form. Therefore, in this work, we considered the hypothesis that using the Path-Relinking as a strategy for intensifying GRASP, improves performance and quality of solutions. We consider hybridization of the GRASP proposed by Nascimento et al. [2010b], with four variants of Path-Relinking: forward, backward, mixed, and greedy randomized adaptative. The validation of solutions is given by comparing with the classic algorithms k-means, k-medians, PAM (Partitioning Around Medoids) as well as GRASP proposed by Nascimento et al. (2010).The experiments were performed with real data from 10 biological instances, and results showed that the hybrid model improved the clustering task. We obtained further exploration of the search space, more cohesive clusters, increase of robustness and reduction of computational time. Greedy Randomized Adaptive and Mixed showed the best results.Universidade Federal de Minas GeraisUFMGComputaçãoBiologia computacionalBiologia ComputacionalAgrupamentoMetaheurísticasPath-RelinkingGRASPGRASP com path-relinking para agrupamento de dados biológicosinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGORIGINALrafaeldiasfrinhani.pdfapplication/pdf2291731https://repositorio.ufmg.br/bitstream/1843/SLSS-8GQJ46/1/rafaeldiasfrinhani.pdf829251fa4377bd482c78b7b544f6ac4eMD51TEXTrafaeldiasfrinhani.pdf.txtrafaeldiasfrinhani.pdf.txtExtracted texttext/plain181469https://repositorio.ufmg.br/bitstream/1843/SLSS-8GQJ46/2/rafaeldiasfrinhani.pdf.txtc08d3fa83304df75ffe401783623110fMD521843/SLSS-8GQJ462019-11-14 06:04:28.904oai:repositorio.ufmg.br:1843/SLSS-8GQJ46Repositório de PublicaçõesPUBhttps://repositorio.ufmg.br/oaiopendoar:2019-11-14T09:04:28Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false
dc.title.pt_BR.fl_str_mv GRASP com path-relinking para agrupamento de dados biológicos
title GRASP com path-relinking para agrupamento de dados biológicos
spellingShingle GRASP com path-relinking para agrupamento de dados biológicos
Rafael de Magalhaes Dias Frinhani
Biologia Computacional
Agrupamento
Metaheurísticas
Path-Relinking
GRASP
Computação
Biologia computacional
title_short GRASP com path-relinking para agrupamento de dados biológicos
title_full GRASP com path-relinking para agrupamento de dados biológicos
title_fullStr GRASP com path-relinking para agrupamento de dados biológicos
title_full_unstemmed GRASP com path-relinking para agrupamento de dados biológicos
title_sort GRASP com path-relinking para agrupamento de dados biológicos
author Rafael de Magalhaes Dias Frinhani
author_facet Rafael de Magalhaes Dias Frinhani
author_role author
dc.contributor.advisor1.fl_str_mv Ricardo Martins de Abreu Silva
dc.contributor.advisor-co1.fl_str_mv Geraldo Robson Mateus
dc.contributor.referee1.fl_str_mv Maurício Guilherme de Carvalho Resende
dc.contributor.referee2.fl_str_mv Thiago Ferreira de Noronha
dc.contributor.author.fl_str_mv Rafael de Magalhaes Dias Frinhani
contributor_str_mv Ricardo Martins de Abreu Silva
Geraldo Robson Mateus
Maurício Guilherme de Carvalho Resende
Thiago Ferreira de Noronha
dc.subject.por.fl_str_mv Biologia Computacional
Agrupamento
Metaheurísticas
Path-Relinking
GRASP
topic Biologia Computacional
Agrupamento
Metaheurísticas
Path-Relinking
GRASP
Computação
Biologia computacional
dc.subject.other.pt_BR.fl_str_mv Computação
Biologia computacional
description O agrupamento é um método não supervisionado de classificação de dados em grupos (clusters). Em problemas de agrupamento, não se sabe previamente quantas e quais as classes necessárias para descrever coerentemente um conjunto de dados. Na biologia computacional, o agrupamento mostrou-se ferramenta útil em problemas de descoberta de padrões em dados como classificação de proteínas, predição da localização de proteínas em unidades celulares e diagnóstico de câncer. Recentemente, técnicas de otimização, como as metaheurísticas, têm sido utilizadas na literatura como método alternativo ou auxiliar para aumentar a eficiência e eficácia das ferramentas clássicas de agrupamento, geralmente baseadas em métodos estatísticos e matemáticos. O objetivo deste trabalho é propor algoritmos híbridos fundamentados nas metaheurísticas Greedy Randomized Adaptative Search Procedure (GRASP) e Path-Relinking para o problema de agrupamento de dados biológicos, com intuito de obter melhores soluções quando considerado unicamente o GRASP na sua forma padrão. Portanto, neste trabalho, considera-se a hipótese que o Path-Relinking como estratégia de intensificação do GRASP, melhora o desempenho e qualidade das soluções. Considera-se a hibridização do GRASP proposto por Nascimento et al. [2010b], com quatro variações do Path-Relinking: Forward, Backward, Mixed, e Greedy Randomized Adaptative. A validação das soluções obtidas dá-se por meio da comparação com os algoritmos clássicos k-means, k-medians, PAM (Partitioning Around Medoids) bem como o GRASP proposto por Nascimento et al. [2010b]. Os experimentos foram realizados com dados reais de 10 instâncias biológicas, e os resultados mostraram que o modelo híbrido melhorou a tarefa de agrupamento. Obteve-se maior exploração do espaço de busca, maior coesão de agrupamentos, aumento da robustez e redução do tempo computacional. As variantes Greedy Randomized Adaptative e Mixed apresentaram os melhores resultados.
publishDate 2011
dc.date.issued.fl_str_mv 2011-03-02
dc.date.accessioned.fl_str_mv 2019-08-11T08:51:37Z
dc.date.available.fl_str_mv 2019-08-11T08:51:37Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/1843/SLSS-8GQJ46
url http://hdl.handle.net/1843/SLSS-8GQJ46
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Universidade Federal de Minas Gerais
dc.publisher.initials.fl_str_mv UFMG
publisher.none.fl_str_mv Universidade Federal de Minas Gerais
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFMG
instname:Universidade Federal de Minas Gerais (UFMG)
instacron:UFMG
instname_str Universidade Federal de Minas Gerais (UFMG)
instacron_str UFMG
institution UFMG
reponame_str Repositório Institucional da UFMG
collection Repositório Institucional da UFMG
bitstream.url.fl_str_mv https://repositorio.ufmg.br/bitstream/1843/SLSS-8GQJ46/1/rafaeldiasfrinhani.pdf
https://repositorio.ufmg.br/bitstream/1843/SLSS-8GQJ46/2/rafaeldiasfrinhani.pdf.txt
bitstream.checksum.fl_str_mv 829251fa4377bd482c78b7b544f6ac4e
c08d3fa83304df75ffe401783623110f
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)
repository.mail.fl_str_mv
_version_ 1803589710799437824